ECG分析:基于深度学习的ECG心律失常分类入门(1)
ECG分析:基于深度学习的ECG心律失常分类入门(1)
写作动机
因为突如其来的疫情让开学时间推迟了（特此向奋斗在前线的所有工作者表示深深的敬佩！）。昨晚刚好读到了一篇与我之前研究方向相似的新论文，在抽出空闲时间进行复现的同时作为个人学习记录也希望能够对后续研究提供一些帮助。这篇论文涵盖从数据收集到结果分析整个流程其整体思路较为清晰且代码未做封装处理相对容易上手。特别说明仅适合初学者参考使用请不要当作学术参考！
随着人工智能技术的蓬勃发展'深度医疗'这一概念应运而生.如今围绕机器学习与深度学习方法开展的研究项目逐渐增多.例如运用深度学习算法分析医学影像并识别特定病灶.若这些研究在将来得到广泛应用将会带来巨大社会价值诸如减少医疗资源消耗提升诊疗效率等.
本文及接下来几篇文章将重点阐述基于深度学习的心电图（ECG）疾病分类应用技术。采用的数据库是著名的MIT-BIH Arrhythmia Database（简称MITAB），有关该数据库的具体细节将在后续内容中详细讲解，并参考一篇近期发表的新研究论文https://doi.org/10.1007/s10916-019-1511-2
简单认识ECG
ECG（Electrocardiogram）就是我们常说的心电信号图形记录。相信大多数人曾在医院接受过心电图检查。
既然要做ECG分析，那么在这里我们来具体认识一下ECG：
如图所示的标准心脏电活动曲线包含了丰富的临床信息：其包含一系列典型的心电图特征波动（即P波）、形态变化（即R-Wave）、形态变化（即T-Wave）、异常波动（即U-Wave）以及多个关键时间间隔（即P-R 间隔）、宽展群（即QRS 复群）、ST 段异常（即S-T 段改变）、持续时间（即R-R 间隔）以及持续时间（即Q-T 间隔）。这些关键参数中的一些指标能够直接反映心脏节律变化的基本特性；某些指标间的对比关系能够提供重要的临床参考价值；而某些指标间的对比关系能够提供重要的临床参考价值；某些指标间的对比关系能够提供重要的临床参考价值
在采用深度学习算法进行心律失常分类之前
因此